Publication:
Implementación de algoritmos de machine learning para la detección de fraudes financieros internos en ejercicio de la Auditoría TI

Simple item page
dc.contributor.advisorBriñez de León, Juan Carlos
dc.contributor.authorIbañez Martínez, Carlos Andrés
dc.date.accessioned2024-11-16T14:34:07Z
dc.date.available2024-11-16T14:34:07Z
dc.date.issued2024
dc.description.abstractEn este proyecto se desarrolló un modelo para la detección de fraude en transacciones financieras mediante la aplicación de algoritmos de aprendizaje automático, específicamente el algoritmo de clustering K-means. El trabajo comenzó con la preparación y limpieza de un conjunto de datos que contenía información sobre transacciones, con el fin de eliminar las columnas irrelevantes y reducir el ruido. Este proceso incluyó la selección de variables clave, como el tipo de comercio, el monto de la transacción, el tipo de tarjeta, la distancia desde el hogar, y si la transacción ocurrió durante el fin de semana. La limpieza de datos permitió enfocar el análisis en las características más importantes para identificar patrones de comportamiento asociados al fraude. Una vez que los datos estuvieron listos, se aplicó el algoritmo K-means, que agrupa las transacciones en diferentes clústeres o grupos según sus características compartidas. Este algoritmo se eligió por su capacidad para segmentar grandes volúmenes de datos en categorías homogéneas, lo que es particularmente útil para la detección de anomalías en sistemas financieros. Los resultados del clustering mostraron la formación de grupos de transacciones con distintos niveles de riesgo de fraude. Al analizar estos grupos, se pudo observar que ciertas características, como transacciones en comercios de alto riesgo o montos elevados, estaban más presentes en los clústeres que indicaban un mayor riesgo. Esto permitió identificar patrones que podrían señalar comportamientos fraudulentos, facilitando la detección de anomalías en futuras transacciones. El análisis realizado destacó el valor de la segmentación de datos en auditoría financiera, ya que permite una evaluación proactiva de riesgos y ayuda a identificar transacciones que merecen mayor atención. Con base en estos resultados, el modelo de K-means puede integrarse en un sistema de auditoría para monitorear las transacciones en tiempo real, clasificando cada una en función de su riesgo potencial y generando alertas cuando se detecten patrones sospechosos. Esto no solo mejora la capacidad de respuesta ante posibles fraudes, sino que también optimiza el proceso de monitoreo al priorizar las transacciones de mayor riesgo. Este proyecto muestra cómo el aprendizaje automático y los análisis de datos pueden aportar significativamente a la seguridad y la eficiencia en sistemas de auditoría de TI, ofreciendo herramientas innovadoras para la protección de la información financiera. Los hallazgos respaldan el uso de técnicas de clustering para mejorar la detección de fraude, abriendo la puerta a futuras investigaciones que podrían incluir la integración de algoritmos supervisados y la mejora de los modelos predictivos para aumentar la precisión y confiabilidad en la identificación de transacciones fraudulentas.
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) de Sistemasspa
dc.format.extent30 p.
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.uniremington.edu.co/handle/123456789/5420
dc.language.isospaspa
dc.publisherCorporación Universitaria Remingtonspa
dc.publisher.facultyFacultad de Ingenieríasspa
dc.publisher.placeMedellín (Antioquia, Colombia)spa
dc.publisher.programIngeniería de Sistemasspa
dc.rightsDerechos Reservados - Corporación Universitaria Remington, 2024spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subjectTransacciones financierasspa
dc.subjectClusteringspa
dc.subjectK-meansspa
dc.subjectAprendizaje automáticospa
dc.subjectAuditoría financieraspa
dc.subjectAnálisis de datosspa
dc.subjectAnomalíasspa
dc.subjectRiesgo de fraudespa
dc.subjectSistemas de auditoríaspa
dc.subjectSegmentación de datosspa
dc.subjectPatrones de comportamientospa
dc.subjectSeguridad financieraspa
dc.subjectAuditoría de TIspa
dc.subject.lembAprendizaje automático (Inteligencia artificial)
dc.subject.lembAnálisis de datos
dc.subject.lembFraude
dc.titleImplementación de algoritmos de machine learning para la detección de fraudes financieros internos en ejercicio de la Auditoría TIspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcolhttp://purl.org/redcol/resource_type/TPspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublicationspa
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
RIU-PRE-2024 Implementacion algoritmos machine.pdf
Size:
713.66 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
No Thumbnail Available
Name:
Cesión Derechos_TG 6.pdf
Size:
305.5 KB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Ingeniería de Sistemas